随着全球信息化的飞速发展,计算机网络安全问题日益突出,黑客入侵、信息泄密以及病毒泛滥所带来的危害引起了世界各国的高度重视。网络信息安全已成为亟待解决、影响国家大局和长远利益的重大问题。如今单纯采用传统的防火墙、安全路由器以及主机上的访问控制、身份认证、数据加密等安全技术已不能有效抵御层出不穷的入侵方式。作为安全系统的重要组成部件和其他安全技术手段不可缺少的补充,入侵检测系统已经越来越受到人们的重视,人们对它的依赖程度也越来越高。从理论上说,入侵检测系统(Intrusion Detection System,简称IDS)可以实时检测、反应和保护信息系统,而实际上IDS与任何其他系统一样有着自身的发展过程。目前的IDS产品都存在着很大的局限性和脆弱性,而且会首当其冲地受到各种攻击。特别是随着因特网的普及应用,在因特网的环境里,如何及时发现、有效跟踪和及时处理安全隐患,对IDS提出了更高要求。目前国内外普遍采用在入侵检测中引入智能化的方法来解决这些问题,其中神经网络是目前比较理想的一种方法。特别是目前研究最多、应用最广泛的一种多层前馈神经网络,将它应用在入侵检测系统中可以提高入侵检测系统的效率,增强系统的自学习能力。本文对入侵检测技术和人工神经网络技术作了细致的分析研究,给出了一个基于人工神经网络的入侵检测系统模型,并对系统进行了设计实现。主要研究内容如下:1.深入研究和分析了入侵检测技术及人工神经网络技术鉴于入侵检测技术对网络安全所起的重要作用,本文首先对入侵检测系统进行了探讨研究,分析了现有的入侵检测系统各自的优缺点,指出了当前入侵检测系统存在的问题和所面临的挑战,归纳了入侵检测技术的发展方向并指出神经网络应用于入侵检测系统具有广阔的研究前景,然后深入分析了人工神经网络模型、人工神经网络的拓扑结构及人工神经网络的学习规则。2.提出了多层前馈网络中BP学习算法的改进算法对多层前馈网络与BP学习算法进行较详细的探讨,针对BP算法学习效率低,收敛速度慢的缺陷,对BP算法进行了改进,采用附加动量法和自适应的学习速率的方法来提高BP算法的性能。3.设计了一个基于人工神经网络的入侵检测系统的模型并对其进行了实现